基于高光谱成像的苹果多品质参数同时检测

利用高光谱空间散射曲线的3个洛伦兹拟合参数对苹果的品质(硬度、可溶性固溶物含量)进行同时检测。采用偏最小二乘,逐步多元线性回归和BP神经网络3种方法,对归一化处理和未归一化处理的3个洛伦兹参数组合分别建立苹果品质的预测模型。结果表明:采用偏最小二乘法对未归一化处理参数的组合建立硬度的预测模型其预测结果最好,校正组相关系数Rc=0.93,校正标准差SEC=0.56,验证组相关系数Rv=0.84,验证标准差SEV=0.94。采用偏最小二乘法对归一化处理参数的组合建立可溶性固形物的预测模型其预测结果最好,Rc=0.95,SEC=0.29,Rv=0.83,SEV=0.63。研究结果表明:利用高光谱空间散射曲线的多拟合参数组合可以同时检测苹果的多品质参数。     

苹果糖度的光谱图像无损检测技术研究

应用光谱图像技术进行了苹果内部品质无损检测技术的研究。通过采集不同波长(分别为632 nm,650 nm,670 nm,780 nm,850 nm和900 nm)的光谱图像,对所采集的光谱图像灰度分布进行洛伦兹分布(LD)、高斯分布(GD)、指数分布(ED)函数的拟合,通过比较发现洛伦兹分布为最优灰度分布拟合函数。将苹果的糖度与洛伦兹分布函数拟合所得参量分别进行多元线性回归,建立最佳单波长、最佳双波长组合、最佳三波长组合和最佳四波长组合的校正方程,相关系数R分别为0.622、0.776、0.831、0.813。实验表明,利用光谱图像技术无损检测苹果糖度是可行性的,为计算机图像对水果进行内部品质的无损检测提供技术依据。     

高光谱技术融合图像信息的牛肉品种识别方法研究

高光谱图像包含了大量的光谱信息和图像信息,采用高光谱成像技术对牛肉品种进行识别。获取可见-近红外(400~1000 nm)光谱范围内的安格斯牛、利木赞牛、秦川牛、西门塔尔牛、荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像,获取样本的感兴趣区域(ROI),并结合伪彩色图对牛肉样本的反射率指数进行可视化表达;采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能;对原始光谱采用卷积平滑(SG)、区域归一化(Area normalize)、基线校正(Baseline)、一阶导数(FD)、标准正态变量变换(SNV)及多元散射校正(MSC)等6种方法进行预处理;采用竞争性自适应重加权算法(CARS)提取特征波长。然后利用颜色矩对不同牛肉样本的颜色特征进行提取;对原始光谱图像进行主成分分析,结合灰度共生矩阵(GLCM)算法,提取主要纹理特征。最后结合偏最小二乘判别(PLS-DA)算法建立牛肉样本基于特征波长、颜色特征以及纹理特征的识别模型。KS法将牛肉样本划分为校正集190个,预测集62个;将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析,结果发现经FD法处理后的光谱数据所建模型的识别率最高;结合CARS法对经FD法预处理后的光谱数据进行特征波长提取,共提取出22个波长;利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、48个纹理特征。将特征波长数据与颜色、纹理特征信息进行融合建模,结果表明,基于特征光谱+纹理特征的模型识别效果最佳,其校正集与预测集识别率分别为98.42%和93.55%,均高于特征光谱数据模型识别率,说明融合纹理特征后使样本分类信息的表达更加全面;融合颜色特征后模型的校正集识别率均有所增加,但预测集识别率稍逊,颜色特征虽携带了部分有效信息,但这些信息与牛肉样本的相关性不大。因此,寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。该研究结果为牛肉品种的快速无损识别提供了一定的参考。     

基于多光谱漫反射的牛肉品质参数检测方法研究

为了满足生鲜肉品质参数无损检测领域,对轻便式、低成本设备的开发需求,提出一种基于多光谱漫反射技术的生鲜肉品质检测方法。首先根据漫反射近似理论,结合牛肉样品散射系数、吸收系数及折射率等参数,在无线细垂直光束的蒙特卡洛仿真的基础上,对具有一定发散角度LED光源进行了初始化的校正,分别从光源照射位置概率分布、不同角度的照射概率分布、仰角、方向角的概率分布、不同角度光线入射样品时反射引起能量损失及对光子权重的影响,得到在LED光源发散角情况下,不同源探距下的漫反射率与检测深度,确定了光源与检测器之间的最佳距离为15 mm,然后根据此距离,搭建了多光谱漫反射检测平台,检测平台由8组中心波长为470,535,575,610,650,720,780和960 nm的LED光源组成,与所要检测的生鲜牛肉品质参数相对应。同时利用LED光源的发散角,确定了光源到样品表面的垂直距离与每个光源的安装位置,保证光源照射到样品的区域是均匀的。样品的漫射光强经由信号采集与放大电路的处理后传至上位机,并在上位机完成建模与分析。最后为验证该检测系统的性能,以生鲜牛肉新鲜度参数中的颜色(L*,a*,b*)与pH值为指标,利用60个样品进行了试验,分别得到8个光源下的原始光强值与校正后的反射率值,然后将牛肉样品按照3∶1比例分为校正集与预测集,针对原始光强值与反射率值,分别利用多元线性回归(multiple linear regression, MLR),偏最小二乘回归(partial least squares regression, PLSR)与偏最小二乘支持向量机回归(partial least-squares support vector machine, LS-SVM)三种方法,建立各个参数在原始光强与反射率数据两种情况下的预测模型,并得到最佳模型结果。结果表明,利用反射率数据建模结果均好于光强数据结果,其中参数L*,a*,b*的MLR建模结果优于PLSR与LS-SVR,其预测集相关系数分别为0.983 2,0.907 2及0.935 9,预测集误差分别为1.00,2.14及0.67。参数pH值的LS-SVR建模结果优于PLSR与MLR,其预测集相关系数为0.942 0,误差为0.19。最后利用未参与试验的20块牛肉样品对模型进行了验证,颜色L*,a*,b*及pH参数的预测值与实测值的相关系数均大于0.85,结果证明,利用多光谱漫反射技术以及所搭建的多光谱漫反射检测系统对生鲜牛肉品质参数检测是可行的,该方法能够为设计便携式或微型化生鲜牛肉品质的无损检测仪器提供参考与依据。     

高光谱技术结合特征波长筛选的牛肉品种多波段识别

利用可见/近红外(400～1 000 nm)及近红外(900～1 700 nm)高光谱成像技术结合特征波长筛选方法对安格斯牛、力木赞牛、西门塔尔牛3个品种的牛肉进行鉴别研究,且测定肉样的色泽、嫩度、pH值以及水分、脂肪、蛋白质含量。根据不同波段光谱的特点,分别对原始光谱进行预处理,并利用SPA、IRF和IRF-SPA方法筛选特征波长,建立基于全波段及特征波长下的PLS-DA牛肉品种鉴别模型。结果显示:400～1 000 nm波段采用SNV-IRF-SPA-PLS-DA方法建立的模型最优,校正集与预测集准确率分别为98.56%和97.12%,900～1 700 nm波段采用SG-SPA-PLS-DA方法建立的模型准确率为94.09%和96.04%,说明不同波段高光谱对牛肉品种识别均有较好的效果;400～1 000 nm波段的识别准确率优于900～1 700 nm,说明3种牛肉在色泽纹理上的差异比成分含量显著。研究表明,利用高光谱成像技术结合特征波长筛选方法能够获得较好的牛肉品种鉴别效果。     

光学扩散特征的生鲜肉细菌总数的无损检测方法

细菌总数是生鲜肉的最主要安全参数之一,肉品的光学扩散特征反映其细菌总数。对高光谱扩散数据利用不同的拟合算法处理与分析,并比对生鲜猪肉细菌总数建模的相关性差异,确定了用于最终建模的最佳扩散特征参数,为后续的装置开发提供建模依据。冰箱调至4℃恒温,在里面放置63个分割好的猪肉样品,每天间隔固定时间从里面随机取出4~5块样品,获取猪肉表面的400~1 100nm波长范围内高光谱散射图像,从高光谱图像中提取猪肉的扩散光谱曲线,利用Lorentz函数和Gompertz函数以及修正后的函数,拟合处理与分析扩散数据,拟合后的不同参数可以代表样品的特征光谱,细菌总数的标准值用平板计数法获得,然后单独用各单个参数、多个参数结合的方式,多元线性回归的统计方法,与细菌总数分别建立模型。实验结果表明,Lorentz三参数结合,Lorentz四参数结合,Gompertz四参数拟合的模型相关系数较高,其校正集和预测集相关系数分别为0.93,0.96,0.96和0.90,0.90,0.92,标准偏差分别为0.47,0.44,0.39和0.56,0.46,0.42,其中,相关性最好的是Gompertz四参数结合,在装置的开发中可以优选相关性和稳定性最好的模型导入装置系统中。     

近红外光谱法快速评定牛肉品质

应用近红外反射光谱技术(NIRS),采用偏最小二乘法(PLS),建立了牛肉理化特性的近红外预测模型。从屠宰加工厂选取经48 h排酸后的里脊、眼肉、腿肉、臀肉、外脊等部位的牛肉样品114份,采用多元散射校正(MSC)、一阶导数、标准正态变量(SNV)预处理方法,谱区为950～1 650 nm,建立牛肉水分、脂肪、蛋白质3个化学参数以及pH、肉色(CEI L*,a*, b*)和剪切力(WBSF)3个物理参数的校正模型。其校正相关系数(R2)分别为0.947 2(水分),0.924 5(脂肪),0.934 6(蛋白质),0.620 2(pH),0.820 3(L*),0.864 6(a*),0.753 0(b*),0.475 9(WBSF)。校正标准差(RMSEC)分别为0.313 3(水分), 0.221 0(脂肪), 1.243 2(蛋白), 0.744 6(pH),1.778 3(L*),1.394 2(a*),1.763 9(b*),1.074 3(WBSF)。应用所建立的模型对30个实际牛肉样品的理化参数进行预测,并对预测值与实测值进行t检验,检验结果显示预测值与实测值差异不显著,说明模型适合于快速评价牛肉的品质。从预测的准确度看,化学指标预测的精确度明显高于物理指标。     

高光谱成像技术结合化学计量学可视化花生中蛋白质含量分布

花生中蛋白质含量与分布能够显著影响花生制品品质。利用高光谱图像结合化学计量学研究可视化花生中蛋白质含量分布的可行性。从校正后的花生图像的感兴趣区域(region of interest, ROI)中提取光谱信息,通过传统化学方法测定蛋白质含量。比对了不同光谱预处理和回归算法,以二阶导数(the second derivative, 2nd-der)为最佳的光谱预处理方法,偏最小二乘法(partial least squares, PLS)为最佳的回归算法。基于预处理后的光谱和花生蛋白质的化学值,建立全波长PLS模型,全波长模型具有良好的性能(校正集相关系数为0.91,校正集标准偏差0.86;预测集相关系数为0.86,预测集标准偏差为0.69)。利用回归系数法(regression coefficient, RC)从全波长模型中选择14个特征波长,建立2nd-der-RC-PLS特征波长模型,模型性能(校正集相关系数为0.86,校正集标准偏差1.03;预测集相关系数为0.80,预测集标准偏差为0.77)与全波长模型相当。采用2nd-der-RC-PLS算法将花生高光谱图像转变成蛋白质含量分布图。成对t检验判断凯氏定氮法与高光谱法无显著性差异。结果表明结合化学计量学的高光谱成像技术为测定花生中蛋白质含量分布提供了一种高效非破坏性方法。     

基于高光谱多参数的冷鲜牛肉品质快速检测技术

为了解决传统冷鲜牛肉品质检测技术的操作繁琐、有不可逆破坏等问题,提出采用高光谱与多参数融合的冷鲜肉品质检测方法。以冷鲜牛肉品质作为研究对象,提取冷鲜牛肉感兴趣区域(ROI)光谱并测量冷鲜牛肉的质构参数：硬度、弹性、粘聚性、胶着度、咀嚼度、回复性。经参数精度比较,筛选出粘聚性、回复性作为建模参数。分别采用Kennard-Stone和SPXY算法对原始光谱数据进行划分,通过样本划分后所建模型的相关系数和相对标准偏差确定最优样本划分方法,最终采用SPXY（sample set partitioning based on oint X-Y distance）算法对样本进行划分得到35个训练集和7个测试集。在经过SPXY算法样本划分的基础上,分别采用一阶微分（D1st）、多元散射校正（MSC）、标准正态变换（SNV）、二阶微分（D2st）对高光谱数据进行预处理,有效消除了光谱中的噪声,提高信噪比。使用连续投影法（SPA）提取光谱特征波长,有效减小了全波段建模包含的大量噪声信息的缺点,使模型精确度得到保障的同时提高了模型的运行速度。最后,分别采用偏最小二乘法（PLSR）和主成分回归法（PCR）构建冷鲜牛肉品质预测模型。以粘聚性为参数时,SNV-SPA-PLSR模型性能最优,模型预测相关系数为0.879 8;以回复性为参数时,D2st-SPA-PLSR模型精度最高,模型预测相关系数为0.880 6。实验结果表明,基于高光谱与多参数融合的冷鲜肉品质检测方法能够实现冷鲜牛肉品质快速检测。     

利用可见近红外光谱多指标综合预测生鲜牛肉储存期

建立了牛肉基于TVB-N、菌落总数、pH值和肉色参数L*多个指标的储存期预测模型,利用可见近红外光谱(Vis/NIR)技术结合区间偏最小二乘(iPLS)和遗传算法(GA)建立了各个指标的PLS预测模型,实现了多指标综合无损快速预测4 ℃下牛肉的储存期。用iPLS和iPLS-GA提取有效波长变量建立PLS预测模型,以预测相关系数和预测标准差作为模型评价标准,结果表明用iPLS-GA选择变量建立的各个指标的PLS预测模型均优于全波段和iPLS组合的PLS模型。由多个指标的预测值和储存期的预测模型,对校正集和预测集样品储存期进行预测,其预测相关系数和标准差分别是0.903, 0.897和1.88, 2.24。说明利用光谱技术结合得出的储存期预测模型可以实现多指标综合预测牛肉储存期,为无损快速检测牛肉储存期或货架期提供了一种新方法。      

三维漫射光谱法检测猪肉嫩度的初步研究

猪肉是光的强散射物质,嫩度是评价猪肉品质优劣的重要标准之一,提出一种基于三维漫射光谱法的猪肉嫩度检测方式。将猪肉样本更多的散射信息引入光谱分析中。利用实验室搭建的数据采集系统,通过采集距光源入射点不同距离处的样本漫反射光信号构建了64个猪肉样本的三维漫射光谱。经过小波消噪处理后,利用多维偏最小二乘法(NPLS)建立了三维漫射光谱与猪肉嫩度之间的分析模型,模型的校正决定系数R2_Cal是0.883 1,校正标准差RMSEC是3.685 0N,预测决定系数R2_Pred是0.874 7,预测标准差RMSEP是3.9756N。实验结果表明, 与常规的漫反射光谱法相比,三维漫射光谱法所建立的猪肉嫩度NPLS模型具有更高的校正精度和预测稳健性,有望为猪肉嫩度及其他品质的快速检测提供一种新的途径。     

高光谱成像技术的不同叶位尖椒叶片氮素分布可视化研究

为了快速、准确、直观估测尖椒叶片的营养水平和生长状况,利用高光谱成像技术结合化学计量学方法对不同叶位尖椒叶片氮素含量(nitrogen content, NC)的分布进行了可视化研究。按照叶片位置采摘尖椒叶片,并采集高光谱数据,然后测定相应叶片的SPAD和NC。提取出叶片的光谱信息后,采用Random-frog(RF)算法提取特征波段,分别选出5条与10条特征波段。针对选取的特征波段和全波段,分别建立偏最小二乘回归(partial leastsquares regression, PLSR)模型,结果表明采用特征波段建立的PLSR模型性能较好(SPAD：R_C=0.970, R_CV=0.965, R_P=0.934; NC: R_C=0.857, R_CV=0.806, R_P=0.839)。根据预测模型计算尖椒叶片高光谱图像每个像素点的SPAD与NC,从而实现SPAD与NC的可视化分布。事实上叶片的SPAD在一定程度上可以反映含氮量,二者分布图的变化趋势基本一致,验证了可视化结果的正确性。结果表明：运用高光谱成像技术可以实现对不同叶位尖椒叶片氮素分布的可视化研究,这为监测植物的生长状况和养分分布提供理论依据。     

EMD和SPA算法在光谱法检测面粉过氧化苯甲酰添加量中的应用

将经验模态分解(EMD)和连续投影算法(SPA)结合用于面粉过氧化苯甲酰(BPO)添加量的近红外光谱检测分析中。在波长898～1 725 nm范围内采集添加了BPO的面粉样本光谱,先通过EMD分解法对其进行噪声预处理,然后利用SPA算法提取光谱特征波长。EMD处理后的光谱建模精度比原始光谱建模精度大大提高,通过SPA算法从512个波长中提取了7个特征波长,基于特征波长建立的模型,与EMD处理后全波长建模结果相比,建模波长个数大幅缩减,但是模型精度与全谱建模相当,结果表明：EMD和SPA结合可有效用于面粉BPO检测的光谱去噪和特征波长提取,该结果为开发便携式面粉BPO检测仪提供了参考和依据。     

辽东湾海冰反射特性

海冰反照率是研究海冰表面特性、海冰分布、海冰厚度和极地气候的重要光学量之一。将卫星于不同位置所测量到的海冰双向反射率准确地转化为相应的反照率的值,对于获得大规模海冰的时空特性是非常重要的。研究了辽东湾海冰反照率与海冰双向反射分布函数之间的相关关系。结果表明：(1)反照率与海冰组分密切相关,海冰表层颗粒物浓度越高,反照率α(λ)的值越小,气泡的含量越高,α(λ)越大;(2)当仪器探头天顶角θ为0°时,所测量的双向反射因子R_f与反照率α(λ)的值是相似的;随着θ的增大,R_f的值逐渐增大,且与探头方位角的相关性逐渐增强;当θ的值等于太阳天顶角63°时,R_f的值最大,且与探头方位角的相关性最强;(3)不同类型的冰具有不同的各向异性反射因子。     

基于水面光谱数据的官厅水库有色可溶性有机物反演

有色可溶解性有机物(简称CDOM,又称为黄色物质),存在于所有自然水体中,可以用于指示水体有机物污染的状况。相比于常规采样监测方法,基于遥感数据反演CDOM具有重要优势。但是遥感数据反演CDOM的方法通常具有区域局限性,因此需要对不同区域水体进行反演方法的检验和完善。我国北方水体CDOM遥感反演的相关研究较少,选择位于河北省张家口市和北京市延庆区交界的官厅水库为研究区,利用2013年10月26日获取的水面遥感反射率光谱(R_rs(λ))和实验室测得的CDOM吸收系数(a_CDOM(λ))数据,首次进行了CDOM浓度(以440 nm处CDOM的吸收系数(a_CDOM(440))表示)反演。对半解析方法即QAA-CDOM方法进行了检验和改进,并建立了CDOM反演的经验模型。QAA-CDOM方法反演结果的均方根误差RMSE为0.10,平均相对误差σ为10.8%。通过实测数据计算了每个波段的水面以下上行辐照度与辐亮度的比值Q,代替了QAA-CDOM方法中的固定Q值,对QAA-CDOM方法进行改进,反演结果精度仅略有提升,RMSE=0.09, σ=10.2%。同时,用四个遥感反射率的比值与a_CDOM(440)进行回归分析,建立了CDOM反演的经验模型。结果显示R_rs(531)/R_rs(551)与CDOM浓度的相关性最大,决定系数为0.63;基于该波段比值建立的CDOM反演经验模型的反演结果的均方根误差RMSE为0.08,平均相对误差σ为8.8%。经验方法反演结果的精度更高,但需要同步实测数据进行所选波长和模型系数的标定;半解析方法不需要标定,更易于推广。     

DPPH自由基清除活性的光度微量滴定模型及应用

传统的DPPH自由基清除活性评价方法以半数清除浓度EC₅₀为评价指标,但EC₅₀随DPPH初始加入量增加而增加,随分析体积增加而减小,因此,不同条件EC₅₀值不具有可比性。提出以DPPH与抗氧化剂相互反应的化学计量数比(R)作为评价DPPH清除活性的指标,该指标只与DPPH与抗氧化剂相互反应的化学计量关系有关,与DPPH初始加入量和分析体积等因素无关,解决了EC₅₀可比性差的问题。提出了测定化学计量数比(R)的光度微量滴定法,建立了利用滴定过程吸光度差(ΔA)与抗氧化剂加入量之间的滴定方程计算R值、以R计算EC₅₀的光度微量滴定模型,并利用芦丁对模型进行验证。结果：芦丁与DPPH反应R值在1.817～1.846之间,当DPPH加入量为1.12×10-7,2.24×10-7,4.48×10-7和6.72×10-7 mol时,分别计算得EC₅₀值分别为1.196×10-3,2.392×10-3,4.819×10-3和7.292×10-3 mg·mL-1。在此基础上,基于文献报道的芦丁清除DPPH条件,利用得到的芦丁R值计算出相应EC₅₀,结果与文献报道EC₅₀值相当。方法可比性好,样品消耗量明显降低,简单、成本低,结果可靠,为自由基清除活性评价提出了一种新的思路。     

冬枣光谱数据的灰色关联分析及叶片氮素含量预测

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析,分析结果显示波长560,678以及786 nm处的光谱反射率(G560,R678,NIR786)与冬枣叶片氮素含量之间的灰色关联度最高。利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度,结果显示：归一化植被指数(NDVI)、绿色比值植被指数(GRVI)、归一化差异绿度植被指数(NDGI)、绿色归一化植被指数(GNDVI)和组合归一化植被指数(CNDVI)等5个指数与叶片氮素含量的灰色关联度较高。利用3个特征波段的光谱反射率和5个关联度较高的植被指数,分别采用最小二乘支持向量机(LS-SVM)以及GM(1,N)模型建立了冬枣叶片氮素含量预测模型。结果表明,采用特征波段光谱反射率(G560,R678,NIR786)建立的冬枣叶片氮素含量GM(1,N)模型的精度最高,预测R2达0.928,验证R2达0.896。     

典型半干旱区土壤盐分高光谱特征反演

选取陕北典型半干旱区为研究对象,利用土壤高光谱特征对盐分进行反演研究。在研究区域选取样点,采集土壤样品测定土壤光谱特征,以土壤反射率(R)、反射率对倒数(Log(1/R))及去包络线的反射率(R_cr)三个光谱特征进行土壤盐分反演研究,分析其与土壤盐分的相关性,遴选特征波段,并通过Matlab编程利用最小偏二乘回归方法(partial least squares regression,PLSR)建立土壤盐分定量反演模型,然后利用检验样点进行精度检验和比较。结果表明,利用经包络线去除后光谱反射率进行定量反演的均方根预测误差最小(1.253<1.367<1.575),其预测精度最高;利用土壤高光谱特征进行盐分反演的预测值与实测值相关性良好(r2=0.761),趋势线接近于y=x。总之,研究发现,土壤反射率经过包络线去除后,利用偏最小二乘回归方法建立的反演模型具有良好的精度,这将有利于提高土壤盐渍化的监测效率。     

高光谱成像技术检测高温障碍胁迫下番茄叶片色差的研究

提出了利用可见/近红外高光谱成像技术检测高温障碍胁迫下番茄叶片色差的方法。首先采集380~1 023 nm波段范围内60个高温障碍胁迫和60个健康番茄叶片的高光谱图像,同时获取全部叶片的色差值(L*, a*和b*),然后提取所有样本的高光谱图像中感兴趣区域(region of interest, ROI)的光谱反射率值。基于不同预处理方法建立偏最小二乘(partial least squares, PLS)预测模型,再利用连续投影算法(successive projections algorithm, SPA)提取特征波长并建立SPA-PLS预测模型。最后分别基于全波段和特征波段建立偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)模型。结果显示,全波段中基于原始光谱信息建立的模型效果最好,3个色差值的预测集决定系数(determination coefficient, R2)分别是0.818,0.109和0.896;基于特征波长建立的模型预测集R2分别是0.591,0.244和0.673;所有模型预测集的总体识别率均大于77.50%。结果表明,可见/近红外高光谱成像技术检测番茄叶片色差值(L*和b*)和识别高温障碍样本是可行的。